营收破百亿后，平头哥把目光投向芯片之外

2009年，村上春树在耶路撒冷领奖时谈到“高墙与鸡蛋”。他说，如果必须选边，他永远站在鸡蛋一边：高墙象征体制，鸡蛋则是一个个具体而脆弱的人。 十七年后，把视线转向AI算力世界，人们同样会看到一堵高墙——CUDA。 很少有人会否认它的影响力。近二十年的技术积累、数百万开发者、完善的编译器、算子库与工具链，共同构成了一套事实上的行业通用语言。今天，绝大多数AI模型都从这里起步。 随着时间推移，这道壁垒仍在不断加固。开发体验愈发顺畅，迁移成本却持续攀升。时间越久，生态惯性越强，路径也越难改变。 正是在这样的背景下，阿里开始尝试撬动这一结构。 2026年7月18日，上海世界人工智能大会上，阿里旗下芯片公司平头哥宣布开源T-Head SAIL，完整开放真武AI芯片的底层软件栈：从内核驱动、编译器到六大数学库，从单卡调试到千卡集群运维工具，以及配套技术文档，全部向全球开发者开放。 SAIL（Seed of AI Library），意为“种子”。这个名字本身也指向它的目标——在中国AI算力生态里种下一套可共用、可演进的底层工具。 对于年化营收已跨过百亿元门槛的平头哥而言，这次开源释放出一个清晰信号：芯片规模化只是第一步，下一阶段的竞争，将发生在芯片之外的软件与开发者生态。 一、芯片本身只是半成品：一堂被CUDA上了二十年的课 要理解SAIL的意义，首先要看清CUDA如何成为行业标准。 2006年，黄仁勋决定让GeForce显卡支持CUDA。这意味着，一款面向游戏玩家的产品，需要为尚未出现的通用计算开发者预留晶体管，并承担额外成本。 当时的华尔街难以理解这笔投入：游戏玩家用不上科学计算，科学家也没有理由购买游戏显卡。为什么要让当下的产品，为一个尚不存在的市场付费？ 答案在六年后出现。 2012年，多伦多大学的三人团队——Geoffrey Hinton和他的两名学生——用两块GTX 580训练出AlexNet，在ImageNet竞赛中大幅领先，错误率比第二名低了十多个百分点。 那套设备不在任何科技巨头的数据中心，而是摆在学生Alex Krizhevsky的卧室里。 由此，深度学习的大幕被拉开。但真正让浪潮迅速扩散的，不只是AlexNet本身，而是当研究者涌入时，CUDA已经提前铺好了的基础设施。 编译器、算子库、调试工具和技术文档一应俱全，研究者不必从零构建底层系统。此后，主流AI框架将CUDA设为默认后端，论文优先在CUDA上复现，一代代开发者也在这套体系中完成技术启蒙。 CUDA的“高墙”就这样形成了。英伟达最深的护城河，不只在芯片性能，更在芯片之外的软件体系。 这解释了一个常被忽视的事实：对开发者而言，一颗刚出厂的AI芯片仍是“半成品”。如果没有软件栈，再强的硬件也只是难以使用的硅片。 开发者通常在PyTorch、TensorFlow等框架中编写模型，不会直接面对芯片指令。要让这些代码真正运行，需要一整套软件完成转换与调度：驱动和Runtime管理设备，编译器生成指令，算子库承担核心计算，调试与性能工具保障系统稳定高效。 如果把芯片比作发动机，软件栈就是让动力真正落地的整套传动与控制系统。SAIL正是真武AI芯片的这套系统，而且与英伟达相比，它开放的不是其中一部分，而是完整链路。 从驱动、Runtime，到编译器、调试器，再到覆盖训练与推理的数学库、分布式通信能力以及集群运维工具，这条链路全部被打通。开发者面对的，不再是一颗孤立的芯片，而是一套可以直接使用的计算系统。 需要警惕的是，行业并不缺少“发布会式开源”：代码公开，并不等于开源完成。如果软件尚未成熟，所谓开源往往只是把风险转嫁给开发者，消耗社区最宝贵的信任。 对此，SAIL选择了相反的路径：先进入生产，再走向开源。 截至2026年4月，真武AI芯片累计出货56万片，服务20多个行业、400多家客户。作为底层软件，SAIL已经在阿里云真实生产环境中经历大规模流量、复杂业务和严苛SLA的持续检验。 这条路径并不陌生。谷歌的Borg系统在内部运行多年后，其经验被带入开源项目Kubernetes，后者之所以能迅速成为云原生基础设施标准，关键就在于它从诞生之初就具备真实的生产经验。 当一套经过生产验证的完整软件栈走向开发者，AI芯片竞争的衡量标准也在发生变化：从“拥有多少晶体管”，转向“能吸引多少开发者”。 芯片决定性能上限，软件决定性能能否释放，开发者决定生态能走多远。英伟达用二十年证明，后两者更难积累，也更具长期价值。而此次的开源，正是让开发者进入生态的入口。 接下来要观察的，是它如何改变开发者写代码、调模型以及管理算力的方式。 二、从黑盒到白盒：三个“无需妥协”，把选择权交还开发者 做过算力迁移的AI基础设施工程师，大多都熟悉一种处境。 卡夫卡在《城堡》中写到的：土地测量员K看得见城堡，却始终无法进入，只能在反复提交申请与漫长等待中猜测城堡内部的运作。 很长一段时间里，AI算力开发者面对的，正是类似的“黑盒”。 当模型出现难以解释的性能瓶颈，或在大规模分布式通信中发生死锁（deadlock）时，开发者往往无法定位问题，只能提交工单，等待厂商排期与修复。 典型的迁移过程也类似：模型可以跑通，但关键算子文档不完善，工具链封闭、可观测性有限，报错信息不足；一旦性能下降，既难以判断瓶颈位置，也难以进行针对性优化，最终只能反复沟通、等待补丁。 行业里有句自嘲：“适配两周，训练两天。”参数在规格表里，成本却消耗在迁移排障过程中。 SAIL试图改变的，正是这种状态。它给出的答案，可以概括为三个“无需妥协”。 第一，不用推倒重来——保留既有代码与经验。 更换芯片，过去往往意味着重写代码、重新调优，工程师积累的工具链和经验随之失效。迁移中最昂贵的，从来不是硬件，而是时间。 SAIL尽量兼容主流AI生态，主流模型可以直接运行，算子库与编程模型保持一致，业务只需少量适配。代码可以延续，经验可以复用，既有投入不被清零，迁移不再等同于重建。 第二，不用漫长等待——跟上社区的节奏。 AI技术以周为单位演进，新模型、新算子不断出现。底层软件的响应速度，直接决定芯片能否进入真实业务。 在封闭模式下，每一次适配都依赖厂商排期，等工具准备完成，社区往往已经向前推进。SAIL建立了跟随主流社区的响应机制，自研推理引擎可直接用于生产，主流推理框架的平均适配周期控制在七天。 第三，不用被平台绑定——保留长期选择权。 平台绑定很少发生在初始采购，而是在长期使用中逐步形成。使用越深，迁出成本越高，一次技术选择可能演变为长期锁定。 SAIL已适配PyTorch、TensorFlow、vLLM、SGLang等260余个主流框架。开发者可以直接编译源码，也可以根据业务需要自由组合工具，技术路线不再被单一平台限定，同时保留未来迁移与调整的空间。 据平头哥披露，这些能力可以将典型迁移周期从数周压缩至数天。但更关键的变化，不只是效率提升，而是软件的控制权发生了转移：谁理解系统、谁修改代码、谁决定更新节奏。 过去，埃里克·雷蒙在《大教堂与集市》中将软件开发分为两种模式：少数人主导的“大教堂”，以及代码开放、协同演进的“集市”。 “Linus定律”也由此提出：参与审视的人越多，问题越容易被发现和解决。 黑盒